Implementasi YOLOv12 dan Slicing Inference untuk Meningkatkan Efisiensi Penghitungan Benih Udang
Abstract
Abstrak — Penghitungan benih udang pada tahap post-larva merupakan fase penting dalam manajemen budidaya untuk memastikan kepadatan tebar yang optimal. Namun, metode manual saat ini dinilai tidak efisien dan rentan kesalahan akibat karakteristik benih yang mikroskopis, tubuh semi-transparan, dan perilaku bergerombol. Penelitian ini bertujuan mengatasi permasalahan tersebut dengan mengembangkan sistem penghitungan otomatis berbasis Deep Learning menggunakan algoritma YOLOv12. Sistem diimplementasikan dalam arsitektur client-server, di mana model di-deploy sebagai layanan backend yang dapat diakses melalui API. Fokus utama penelitian adalah mengevaluasi efektivitas metode input dan konfigurasi hyperparameter pada dataset terbatas berjumlah 141 citra beresolusi tinggi. Hasil pengujian menunjukkan penerapan metode Slicing Inference memberikan peningkatan kinerja signifikan dibandingkan metode standard resize, dengan peningkatan Mean Average Precision ([email protected]) dari 40,8% menjadi 85,5%. Pada validasi data uji black-box hingga kepadatan 771 ekor, sistem mampu mencapai rata-rata akurasi penghitungan sebesar 83,70%. Dengan waktu inferensi rata-rata 11,53 detik per citra, sistem ini menawarkan keseimbangan antara presisi dan kecepatan sebagai solusi untuk digitalisasi industri akuakultur.
Kata kunci — benih udang, deteksi objek, YOLOv12, slicing inference, penghitungan otomatis
References
REFERENSI
S. Arsad et al., “The Application of Microalgae Feeding Regime on Whiteleg Shrimp Culture in Each Stage: A Mini Review,” Sains Malays., vol. 52, no. 1, pp. 1–16, Jan. 2023, doi: 10.17576/jsm-2023-5201-01.
H. Duan et al., “Shrimp Larvae Counting Based on Improved YOLOv5 Model with Regional Segmentation,” Sensors, vol. 24, no. 19, p. 6328, Sep. 2024, doi: 10.3390/s24196328.
S. Y. Asmak, D. D. Rizaldi, R. A. F. Saputra, A. P. Abseno, V. R. Hananto, and E. S. Oktarina, “A Mobile App for Counting Shrimp Larvae Based on the YOLO V5 Method,” Journal of Computer Electronic and Telecommunication, vol. 5, no. 2, Dec. 2024, doi: 10.52435/complete.v5i2.647.
Y. Tian, Q. Ye, and D. Doermann, “YOLOv12: Attention-Centric Real-Time Object Detectors,” Feb. 2025, doi: https://doi.org/10.48550/arXiv.2502.12524.
F. C. Akyon, S. Onur Altinuc, and A. Temizel, “Slicing Aided Hyper Inference and Fine-Tuning for Small Object Detection,” in 2022 IEEE International Conference on Image Processing (ICIP), IEEE, Oct. 2022, pp. 966–970. doi: 10.1109/ICIP46576.2022.9897990.
